计算机辅助的多序列MRI术前预测肝癌微血管侵犯的研究

作     者：蒋韬 

作者单位：中国医科大学 

学位级别：硕士

导师姓名：蒋西然

授予年度：2022年

学科分类：1002[医学-临床医学] 100214[医学-肿瘤学] 10[医学] 

主      题：微血管侵犯 肝细胞癌 MRI 影像组学 诺模图 

摘      要：目的:肝细胞癌（hepatocellular carcinoma,HCC）微血管侵犯（microvascular invasion,MVI）的术前预测对HCC患者制定合适的治疗方案、减少复发率和提高生存率至关重要。本研究的目的是探讨多序列MRI影像的瘤内瘤周影像组学预测肝癌MVI的价值。材料和方法:从2014年6月至2020年3月,共有106例经病理证实的HCC患者被纳入这项回顾性研究。其中有52名MVI阳性患者和54名MVI阴性的患者。实验共分为两个阶段,分别对应文章中第三章和第四章的内容。第三章对应的研究方法是从四个不同的MRI序列（T1正相位[T1＿in]、T1动脉相位[T1＿A]、T2加权[T2WI]、弥散加权[DWI]）中分别提取肿瘤内部和肿瘤周围区域的影像组学特征,用最小绝对收缩和选择算子（least absolute shrinkage and selection operator,LASSO）算法进行特征选择以减少特征冗余。最后使用四种不同分类器（随机森林、支持向量机、逻辑回归和Adaboost）对多序列融合特征进行分类建模。采用单变量logistic回归分析确定最重要的临床因素,并将其与影像组学标签（Rad＿score）相结合,建立可供临床使用的诺模图（Nomogram）。第四章对应的研究方法是基于T1＿A和T2W序列,使用基于患者-群体的聚类方法对肝脏肿瘤的异质性进行分析,并基于不同亚区、整个肿瘤区域及瘤周区域分别提取影像组学特征并融合建模,最后建立了基于双序列瘤内瘤周的融合Nomogram模型。采用受试者工作特性曲线下面积AUC,准确率accuracy,特异性specificity和敏感性sensitivity评价各模型的预测性能。结果:第三章结果显示各序列最佳模型的预测性能模型AUC:DWI训练集,测试集为0.777和0.854;T1＿in训练集,测试集为0.733,0.750;T1＿A训练集,测试集为0.738,0.688;T2W训练集,测试集为0.814,0.771。融合AFP level和Rad＿score的Nomogram在训练和验证集中产生了最佳的预测性能,训练集:（AUCs,Nomogram vs.Rad＿score vs.AFP level,0.930 vs.0.901 vs.0.732）,验证集:（AUCs,Nomogram vs.Rad＿score vs.AFP level,0.956 vs.0.923 vs.0.813）。第四章结果表明T1＿A和T2序列中瘤内边缘亚区（S1）是预测性能最高的区域,瘤内-瘤周融合影像组学模型AUC:T1＿A序列训练集,测试集为0.941和0.891;T2训练集,测试集为0.934,0.855。融合T1＿A融合模型和T2W融合模型的Nomogram在训练和验证集中产生了最佳的预测性能,其AUC在训练集和测试集上为0.952和0.940。结论:基于多序列瘤内瘤周MRI的影像组学是术前诊断HCC患者MVI有潜在价值的工具,有助于协助医生为HCC患者制定合适的治疗方案,提高HCC患者的生存率。